“技术赋能”还是“工具依赖”： 生成式人工智能对研究生科研创新力的影响研究

[摘" "要] 生成式人工智能（AIGC）在教育领域展现出巨大潜力，也为研究生科研创新力培养带来新的机遇和挑战。基于1714份研究生调查数据，采用普通最小二乘法、负二项回归、熵平衡匹配法及无条件分位数回归等方法，探讨AIGC对研究生科研创新力的影响。研究发现：近九成研究生使用过AIGC辅助科研，主要将其用于语言润色和文献查阅；使用AIGC显著提升了研究生的科研创新力，尤其是在科研创新思维、科研实践能力和科研创新品质方面；AIGC使用频率对研究生科研创新力有显著的促进作用，且与研究生科研创新成果之间存在显著的非线性关系；使用AIGC及其使用频率对研究生科研创新力的影响在不同群体间的异质性明显。据此，应增强信息技术指导，提高研究生使用AIGC的广度与深度，倡导合理使用AIGC并遵守伦理规范，缩小数字鸿沟与优化个性化学习。

[关键词] 生成式人工智能； 研究生； 科研创新力； 技术赋能； 工具依赖； ChatGPT

[中图分类号] G434" " " " " " [文献标志码] A

[作者简介] 马银琦（1994-），男，浙江杭州人。博士，主要从事高等教育评价、人工智能教育研究。E-mail：myqdsg1234@126.com。黄丹为通信作者，E-mail：775650757@qq.com。

一、问题的提出

在智慧信息技术迅猛发展的时代，生成式人工智能（AIGC）正逐渐渗透到各个领域，从商业广告到医疗诊断，再到学术研究，AIGC的应用日益广泛。特别是在教育和科研领域，AIGC展现出了极大的潜力。研究生作为科研创新的生力军，其科研创新力的培养对整个科学技术的发展和社会进步至关重要。随着我国研究生教育的规模不断扩大，如何提升研究生的科研创新力成为高校和研究机构关注的焦点。在此背景下，AIGC的引入为研究生提供了一种全新的科研生产方式。然而，随着AIGC的广泛应用，关于其对研究生科研创新力的影响，存在“技术赋能”和“工具依赖”两种不同的观点。在“技术赋能”观点中，AIGC被认为是提升科研效率和创新能力的重要手段[1-2]。通过提供便捷的文献综述、自动化的数据分析和智能化的研究辅助，AIGC能够帮助研究者更好地开展科研工作，激发创新思维。持有“工具依赖”观点者则认为，过度依赖AIGC可能会导致研究者在科研过程中缺乏自主性和创造力，甚至影响其科研能力的全面发展[3-4]。基于上述背景，本研究旨在回答以下几个关键问题：研究生在科研过程中具体使用AIGC的情况如何，使用AIGC对研究生科研创新力的影响如何，他们在使用AIGC过程中是否存在“技术赋能”或“工具依赖”的倾向，不同类型研究生，使用AIGC对其科研创新力的影响是否存在异质性？对上述问题的回应，不仅能够为研究生科研创新力的培养提供实证依据，同时也有助于推动AIGC技术在高等教育领域中的优化应用。

二、文献综述

探究AIGC使用与研究生科研创新力的关系，主要围绕研究生科研创新力、AIGC在科研领域的使用现状、使用AIGC对科研创新力的影响三个方面开展。

创新力是在学习、研究过程中产生创新构想或问题解决方案并努力将其付诸实践的行为[5]，表现为创造性地运用理论知识或借助分析技术来建立新的理论体系、发现新的现象和规律、解决前人未解决的问题、填补学科和领域空白的能力[6]。科研创新力则是指研究者通过长期知识积累、科研实践与能力发展，能够产出新颖且有社会价值的学术产品或服务的能力[7]。在科研创新力的维度划分方面，林崇德认为，创造性人才由创造性思维和创造性人格两个方面构成[8]。在此基础上，有学者拓展了科研创新力的维度，认为其是表层因子（知识获取能力和外显的科研成果）和潜层因子（创新实践能力和科研创新人格）的有机结合[9]。在科研创新力的测量方面，哈里斯（Harris）提出从数量、质量、重要性和影响力四个方面来综合评价科研创新的能力[10]。国内学者也有将发表论文的数量与质量、参与纵向课题数量、发明专利等作为测量科研创新力的重要指标[11]。总体来看，研究生科研创新力包含科研生产力和科研创造力双重含义，既要关注到外显、可衡量的创新成果，也要注重内隐、概括的创新思维与品质。

AIGC涵盖了文本生成、图像生成、数据分析等多个领域[12]，其技术发展迅猛，在教学和科研领域的应用范围也在不断扩大[13]。Nature在2023年初对全球3838位博士后进行调查采访，发现有三分之一的受访者在利用ChatGPT来辅助修改文字、生成或编辑代码[14]。同年4月，来自瑞典的一项针对5894名大学生的调查发现，有35%的受访者经常使用ChatGPT。同年5月，来自日本的一项针对大学生的调查中也发现，有32%的人表示使用过ChatGPT[14]。李艳等人在2023年末对浙江大学1190位本科生使用AIGC现状进行调查，发现近七成受访者表示熟悉生成式人工智能，其中利用最为广泛的功能是文本生成技术[15]。由此可见，学术工作者越来越趋向于使用AIGC来辅助科研，以提高科研效率和质量。

不可否认，AIGC在科研中的应用带来了许多“技术赋能”方面的积极影响，与此同时，我们也不能忽视潜在的“工具依赖”问题及其可能的负面影响。“技术赋能”具体表现在显著提高科研效率和科研创新力两个方面。有学者指出，将AIGC应用于文献综述和数据处理，使研究人员能够更加专注于创新和发现[2]。与此同时，AIGC通过提供多样化的信息和分析视角，可以激发科研人员的创新思维[16]。“工具依赖”具体表现在自主学习能力下降和对自我职业认同的审思。有学者认为，过度依赖AIGC可能导致学生和科研人员的自主学习和创新能力下降，并且警示学生过度依赖自动化工具可能忽视基础知识的掌握和思维能力的培养[17]。另外，人工智能技术的发展，让科研工作者也开始审视自身专业是否会被其完全取代，对于未来的职业认同产生疑虑[14]，进而降低了科研自我效能。

综上所述，虽然学者们在探讨AIGC与科研创新力之间关系时已作出诸多有益探索，但现有研究多侧重于理论和经验层面的讨论，关于研究生群体AIGC使用情况及其对科研创新力的实证分析仍相对有限。研究生在科研中的定位介于本科生与博士后之间，既处于科研能力发展的初期阶段，又需承担一定的具有烦琐性和挑战性的科研任务。与本科生相比，研究生面临着更高的科研要求；而与经验丰富的博士后不同，研究生在工具使用与创新实践中更容易产生依赖。正因如此，AIGC工具在研究生群体中的作用既可能通过提高效率促进创新，也存在过度依赖工具而削弱自主创新能力的风险。因此，本研究基于对1714份研究生调查数据，深入探讨AIGC工具的使用情况及其使用频率对研究生科研创新力的影响。研究结果将为完善我国研究生培养制度提供参考，并在数字化转型背景下对合理利用AIGC工具提供相应建议。

三、研究设计

（一）数据来源

本文数据来自课题组在2024年3月至5月期间开展的问卷调查，该调查涵盖了来自我国东部、中部、西部地区不同类型高校的研究生群体，通过线上问卷平台共计随机发放了1988份问卷，经过审查和筛选，最终回收有效问卷1714份，有效率为86.2%，具体样本分布情况见表1。

（二）变量设置

本研究的被解释变量是科研创新力，借鉴马立超和姚昊的研究[18]，具体包含科研创新成果、科研创新思维、科研实践能力、科研创新品质四个子维度，每个子维度下均有四个题项。除科研创新成果外，其余三个维度均采用李克特五级量表，选项“十分不符合”到“十分符合”依次赋值为1～5，经检验，三个维度的Cronbach's a系数均大于0.85，信度较好。在确定测量题项后，为确保各维度指标之间的可比性，本文首先对各维度下的测量题项进行0～1标准化处理，进而分别加总得到四个子维度取值范围为0～4的连续变量。最后，采用主成分分析法（KMO值为0.764，Bartlett检验卡方值为3592.40，plt;0.001），构建了科研创新力综合指标，并同样将其标准化为0～4的连续变量。

本研究的核心解释变量为使用AIGC，包括是否使用过AIGC及其使用频率两个维度。前者通过问卷题项“您是否使用过生成式人工智能（包括但不限于文言一心、讯飞星火、Kimi、ChatGPT、Copilot等）？”进行测量，使用过AIGC的研究生取值为1，否则取值为0。使用频率则根据研究生日常使用AIGC的频次测量，选项“很少使用（半年及以上用过）”到“频繁使用（一天多次）”依次赋值为2～6。此外，还询问了研究生对AIGC的熟悉程度、开始使用时间及使用目的。借鉴文献综述部分的已有研究，为尽可能实现使用AIGC对研究生科研创新力的净效应估计，本文设置了诸如性别、年龄、在读阶段、境外经历等控制变量①。

（三）模型与方法

1. 基准回归模型

鉴于被解释变量的性质存在差异，本研究设定的基准模型包括普通最小二乘法（Ordinary Least Squares， OLS）与负二项回归（Negative Binomial Regression， NBR）两个模型。具体而言，科研创新力、科研创新思维、科研实践能力与科研创新品质四个被解释变量均呈正态分布，统一采用OLS模型进行估计。而科研创新成果为非负计数变量，存在一定数量0值的同时，变量的方差值明显大于平均值，因此，单独采用NBR模型估计使用AIGC对研究生科研创新成果的影响[19]。基准模型设置如下：

Creativei=α+β1AIGCi+β2Xi+ε" " " " " " " " " "式（1）

模型（1）中，Creative为被解释变量，代表本文中的第i个学生的科研创新力得分，AIGC为核心解释变量，代表研究生i使用AIGC情况（是否使用与使用频率），Xi为一系列控制变量，ε为随机扰动项。后续本文还在模型（1）的基础上加入了AIGC（使用频率）的平方项，以探讨AIGC使用频率对研究生科研创新力的非线性影响，以及加入AIGC与性别、年龄和在读阶段等控制变量的交互项，探讨使用AIGC对研究生科研创新力的异质性影响。

2. 熵平衡匹配

受事后观测数据的限制，本研究样本中的研究生使用AIGC的个体决策并不是随机干预的变量，而是存在较强的自选择性，受到个体特征、就读院校与学科专业等多方面因素的干扰。因此，仅采用基准回归模型难以真正实现使用AIGC对研究生科研创新力的效应量估计。

已有研究多采用倾向得分匹配方法（Propensity Score Matching， PSM）缓解此类由可观测因素引起的样本选择偏差问题[20-21]。但PSM方法存在着一定局限性，例如具有较强的模型依赖性[22]，以及在对照组样本数量较少且模型中可观测变量较多的情况下，极易出现“维度诅咒”问题，导致样本数量出现大规模损失[23]。

鉴于此，本研究采用由Hainmueller等人提出的以信息熵增量为距离的熵平衡匹配（Entropy Balancing Matching， EBM）方法[24]。相较于PSM方法，EBM方法具有以下优势：首先，EBM方法可以实现实验组与对照组在协变量高阶矩特征上的相似性，在减少协变量失衡方面比PSM更有效[25]；其次，EBM方法估计的干预变量处理效应的系数偏误与标准误差更小[26]；最后，EBM方法在匹配过程中不会造成样本数量的损失，考虑到本研究样本中未使用过AIGC的研究生人数有限（占总样本的13.13%），因此，更加适用于采用EBM方法来缓解样本选择偏差问题。近几年，该方法在国内外公共政策评估领域已有较多应用[27-28]。

式（2）表示实验组在没有发生干预时的效应大小，即本研究为使用AIGC的研究生样本构造的反事实指标。其中，Creative0i表示未使用AIGC研究生i的科研创新力得分，Di=1表示研究生i属于实验组，Di=0则表示研究生i属于对照组，ωi即熵权重，表示为对照组每个观测值赋予的权重，可通过式（3）设定相应的矩条件计算得出。借鉴Gurantz 和Tsai的做法[29]，本文将基准回归模型中的所有控制变量作为协变量，围绕“是否使用AIGC”划分实验组与对照组样本，并进行高阶平衡匹配，最后利用匹配后的样本进行二次回归，以获得使用AIGC对研究生科研创新力影响的稳健性证据。

3. 无条件分位数回归

上述模型方法仅能提供使用AIGC对研究生科研创新力影响的均值效应，为揭示AIGC对不同科研创新力水平研究生可能存在的异质性影响，本文进一步采用Firpo等人基于再中心影响函数（Recentered Influence Function，RIF）提出的无条件分位数回归（Unconditional Quantile Regression，UQR）方法[30]进行检验。UQR方法相较于传统的条件分位数回归方法，所得出的异质性结果更加贴合实践情况的同时，也更具政策含义[31]，公式如下：

其中，β1表示AIGCi的边际变化对Qτ分位点上研究生i科研创新力的边际影响，将其代入式（4）中，计算出科研创新力在分位点上的RIF值，再进行OLS估计，即可得到使用AIGC对研究生科研创新力变化的无条件影响。

四、研究结果

（一）研究生使用AIGC的基本情况

本研究首先通过问卷调查中的部分题目来了解研究生在科研过程中使用AIGC的基本情况，见表2。86.87%的研究生使用过AIGC，且半数以上的研究生开始使用AIGC的时间集中在2023年（54.85%），仅有小部分研究生开始使用时间是在2022年12月及以前（13.01%）。熟悉程度方面，仅有36%左右的研究生表示熟悉或非常熟悉AIGC，绝大部分研究生对AIGC的熟悉程度处于一般状态（48.66%）。使用频率方面，绝大部分研究生都处于偶尔使用（24.15%）与通常使用（24.50%）两个频次上。在使用目的方面，帮助润色语言（83.14%）、帮助查阅与总结文献（72.12%）是研究生使用AIGC的主要目的，相较之下，仅有少数研究生选择利用AIGC来帮助设计实验（46.73%）与帮助分析数据（55.60%）。这些数据表明，虽然AIGC在研究生群体中已广泛使用，但其熟悉程度和使用目的仍存在差异。大部分研究生主要将其用于语言润色和文献查阅，而在实验设计和数据分析方面的应用相对较少，这也反映出AIGC在科研中的潜力尚未完全发挥。

（二）使用AIGC对研究生科研创新力的影响

1. 基准回归结果

基准回归结果显示①，使用AIGC研究生的科研创新力比未使用过AIGC的研究生平均要高0.193个标准分，该正向效应在95%的置信度上显著。而在科研创新力的四个子维度中，除科研创新成果外，使用AIGC还会显著提升研究生的科研创新思维、科研实践能力与科研创新品质，平均提升幅度为0.267个标准分。但鉴于样本选择偏差问题的存在，基准回归结果的稳健性还有待进一步检验。

2. 熵平衡匹配结果

本研究汇报了EBM前后实验组（使用AIGC）与对照组（未使用AIGC）在协变量上的均值及其差异，详见表3。匹配前实验组与对照组各协变量上普遍存在显著差异，这说明基准回归结果中的内生性问题的确存在。而在实施EBM方法后，实验组与对照组在各协变量上已无显著的组间差异，即两个样本群体在可观测特征上基本实现了平衡。

本研究汇报了基于熵平衡匹配后的回归结果，核心解释变量的符号和显著性水平没有变化，核心被解释变量的回归系数依旧显著为正，详见表4，即使用AIGC确实能够提高研究生的科研创新力，说明前文的基准回归结果是比较稳健的。进一步比较发现，在实施EBM方法后，列（1）与列（3）至（5）核心被解释变量的回归系数均出现不同程度的提升，说明潜在的样本选择性偏差可能导致前文的基准模型低估了AIGC对研究生科研创新力及其子维度的促进作用。此外，在控制选择偏差后，AIGC对研究生科研创新成果不再有显著影响。

（三）使用AIGC频率对研究生科研创新力的影响

将样本限定在报告有AIGC工具使用经历的1489名研究生中，进一步探讨AIGC的使用频率对其科研创新力的影响。结果显示①：使用频率与研究生科研创新力及其各子维度均呈显著正相关关系。

与此同时，通过添加使用频率的二次项，结果显示：AIGC的使用频率与研究生科研创新成果之间存在显著的非线性关系。具体而言，使用频率对科研创新成果影响呈现先促进后抑制的倒U型关系，拐点值为4.914，即当AIGC的使用频率小于4.914（经常使用）时，研究生的科研创新成果将随着使用频率的增加而增加，但在超过拐点值后，其科研创新成果将随着使用频率的增加而下降。而倒U型关系中的拐点值4.914位于解释变量中点值4的右侧，再结合倒U两端对应的样本比例（68.77%和31.23%），说明在本研究中AIGC的使用频率对研究生科研创新成果的正向影响要大于负面影响。

（四）异质性分析

前文考察了使用AIGC与使用频率对研究生科研创新力及其子维度的影响。然而，样本群体特征差异也有可能会影响AIGC实际效应的发挥。因此，本部分将重点探讨使用AIGC对不同研究生群体科研创新力的异质性影响。

在基准回归模型的基础上依次添加了使用AIGC与性别、在读阶段、年龄、科研投入、文理专业的交互项，详见表5。列（1）（2）结果表明，同类型比较下，使用AIGC对男性博士研究生科研创新力的提升效果更为明显。列（3）（4）结果则显示，年龄与科研投入在主效应之间发挥着调节作用，具体来看，年龄越低、科研投入越高的研究生，相应从使用AIGC中获益更大。此外，鉴于不同学科之间存在较大差异，特别是以人文社科为代表的文科与以自然科学、工程科学为代表的理工科，其人才培养体系、知识生产模式之间都存在着较大异质性。因此，本文围绕学科类型进一步划分为了文理两个学科门类，列（5）结果表明，相较于文科研究生，使用AIGC对理科研究生科研创新力的提升效果更好。

与此同时，本研究还根据在读阶段、年龄与科研投入对研究生群体进行分类，考察了AIGC使用频率及其二次项对研究生科研创新力影响的异质性①。结果显示：使用频率对硕士生、年龄小于等于25岁以及高科研投入的研究生科研创新力的提升效果更加明显。而在非线性影响方面，使用频率与科研创新力之间在硕士生、年龄小于等于25岁以及低科研投入这三类研究生群体中呈现正U型关系，拐点值分别为3.036、3.356和3.392（偶尔使用），说明其AIGC的使用频率只有在高于拐点值后，才能有效提升科研创新力。而对于博士生、年龄大于25岁以及科研投入较高这三类研究生群体而言，使用频率对其科研创新力的影响则呈现倒U型关系，其AIGC的使用频率一旦高于4.352、4.143和4.876的极值点（通常使用），就极易给自身科研创新力带来消极影响。

围绕核心被解释变量“科研创新力”，研究进一步分析了使用AIGC及其使用频率对10%～90%科研创新力分位点上研究生的异质性影响②。结果显示：使用AIGC对80%分位点上研究生的科研创新力具有最强的促进作用，而对50%分位点上研究生的科研创新力的提升效果相对最弱，效应量变化趋势近似于一条“V”型曲线，而随着研究生科研创新力分位点的上升，使用AIGC的估计系数先下降后上升，拐点出现在50%分位点。换言之，相较于位于中分位点（40%～70%）的研究生而言，使用AIGC对低分位点（20%～30%）与高分位点（80～90%）研究生科研创新力的提升效果更优。除此之外，随着分位点的提升，使用频率对研究生科研创新力的影响效应也在持续增大，即AIGC的使用频率对高分位点研究生的促进作用优于中、低分位点研究生。

五、研究结论与讨论

研究基于1714份研究生调查数据，采用普通最小二乘法、负二项回归、熵平衡匹配法及无条件分回位数回归方法，全面考察了使用AIGC对研究生科研创新力的影响，主要研究结论如下：

第一，近九成研究生使用过AIGC辅助科研，主要将其用于语言润色和文献查阅，但在设计实验和数据分析方面的应用相对较少。尽管AIGC在研究生中已有一定普及，但其使用集中于辅助性任务，这可能与研究生对工具的熟悉程度和工具本身的便捷性有关。使用AIGC进行更复杂的科研任务，如实验设计和数据分析的比例较低，表明这些工具的潜力可能尚未被充分挖掘和利用。

第二，使用AIGC对研究生科研创新力有显著的促进作用，在缓解样本选择偏差问题后，该结果仍旧稳健，这与已有研究一致[32]。本研究也发现，使用AIGC有助于提升研究生的科研创新力，尤其是在科研创新思维、科研实践能力和科研创新品质方面，但对研究生科研创新成果的影响不显著。一定程度上说明目前AIGC在处理部分重复性和琐碎性的科研工作上展现出的优势，能够在开拓研究生创新思维、辅助知识生产过程方面发挥积极作用，为研究生科研创新力发展提供“技术赋能”。然而对于科研成果的实质性创新和突破，AIGC的作用可能有限。

第三，AIGC使用频率对研究生科研创新力有显著的相关性，且与研究生科研创新成果之间存在显著的非线性关系。研究发现，适度使用AIGC可以显著提升研究生的科研创新力，特别是在科研创新成果方面，但过度使用也可能会产生“工具依赖”的负面影响。适度使用AIGC，一方面能够提供丰富的信息和资源，帮助研究生拓宽视野；另一方面能够提供即时反馈和建议，帮助研究生优化其研究方法和思路。然而，过度使用AIGC也会产生负面影响，可能的原因在于：首先，依赖工具进行过多的自动化任务，可能会降低研究生的独立思考和创新能力；其次，频繁使用工具可能导致研究生忽视基础研究方法和技能的习得，从而影响其科研素养；最后，工具生成的内容可能存在偏见和错误，研究生若过度依赖，可能会影响其科研成果的质量和可信度。

第四，使用AIGC及其使用频率对研究生科研创新力的影响在不同群体间的异质性明显。一方面，理科专业的男博士生在使用AIGC后，科研创新力得到更大提升，年龄较小且科研投入高的研究生也是AIGC的主要受益群体，这可能与上述群体对新兴技术的敏感度与接受度有关。另一方面，AIGC的使用频率在不同群体发挥的作用也存在显著差异。就使用频率的线性关系而言，AIGC的使用频率对年龄较小、科研投入高的硕士生科研创新力的提升效果最佳。而从非线性关系来看，AIGC的使用频率对科研创新力的影响在在读阶段、年龄与科研投入之间均呈现出先抑制后促进的正U型曲线关系，随后又转为先促进后抑制的倒U型曲线关系。这说明对于不同研究生群体，“技术赋能”与“工具依赖”的拐点值或区间范围均存在明显差异，适度使用AIGC可以显著提升他们的科研创新力，然而过度或不足使用也可能对其创新力带来负面影响。此外，本研究还进一步发现，使用AIGC对本身科研创新力处于低分位点与高分位点的两类研究生群体的促进作用更大，而使用频率则对高分位点研究生的作用要优于中、低分位点。与Capraro等人的研究[33]发现类似，AIGC能够为不同研究生提供更加个性化和易于获取的信息与教育资源，一定程度上可以弥合复杂而持久的“数字鸿沟”，对处于劣势的研究生起到补偿作用。然而，由于在AIGC使用频率、熟悉程度以及信息获取能力上的差异，基于群体间的不平等也存在进一步扩大的风险。

六、研究建议

基于上述调研结果，本研究提出以下两点建议：

第一，应增强信息技术指导，提高研究生使用AIGC的广度与深度。研究结果表明，目前AIGC在研究生群体中使用较为普遍，研究生对该技术的接受度较高，然而在熟悉程度与使用目的方面仍存在一定局限。建议在高校和科研机构内设立专门的技术支持团队，由熟悉AIGC的专家和技术人员提供全天候的技术服务，帮助研究生解决使用中的技术问题，同时通过建立跨学科合作平台，促进不同学科领域的研究生共同使用AIGC，分享经验和科研成果，激发跨学科创新思维[34]。除此之外，为充分发挥AIGC在提升研究生科研创新力方面的潜力，高校部门应在研究生培养过程中增设系统的AIGC培训课程和实践机会，确保学生能够全面掌握这些工具的多样功能和应用场景。同时，推广成功案例和最佳实践，鼓励学生积极探索工具的潜在应用领域[35]，充分发挥AIGC在不同科研任务中的潜力，从而推动研究生科研创新力的全面提升。

第二，应倡导合理使用AIGC并遵守伦理规范，缩小数字鸿沟与优化个性化学习。研究结果表明，AIGC在为研究生科研创新力发展提供“技术赋能”的同时，也可能会诱发一定的“工具依赖”倾向，为科研创新力的持续提高带来负面影响。一方面，为了避免研究生对AIGC产生过度依赖，影响其独立思考和创新能力，高校和科研机构应制定详细的AIGC使用规范，明确AIGC的使用范围和频率，设立使用上限和监督机制，倡导在合理的限度内使用这些工具[36]。另一方面，为确保不同研究生群体能够平等且有效地使用AIGC，高校和科研机构应加强对AIGC的宣传和推广，通过讲座、宣传册和在线资源等形式，提高研究生对这些工具的认知和使用意愿。此外，还可以为科研资源相对有限的院校或科研创新力相对薄弱的研究生提供专项支持，如专门的培训课程和技术指导，以弥合数字鸿沟，确保AIGC的应用能够惠及更多学生群体，以最终实现促进研究生科研创新力全面提升的目标[37]。

[参考文献]

[1] EROW C， SERRA J M， ENQUIST B J， et al. AI chatbots can boost scientific coding[J]. Nature ecology amp; evolution， 2023（7）：960-962.

[2] NOY S， ZHANG W. Experimental evidence on the productivity effects of generative artificial intelligence[J]. Science， 2023，381（6654）： 187-192.

[3] 蒲清平，向往. 生成式人工智能——ChatGPT的变革影响、风险挑战及应对策略[J]. 重庆大学学报（社会科学版），2023（3）：102-114.

[4] 周文辉，赵金敏. ChatGPT对研究生创新能力培养的价值与挑战[J]. 高校教育管理，2024（2）：42-52.

[5] 刘贤伟，马永红. 社会资本对校所联培博士生创新能力的影响研究——基于心理资本的中介作用[J]. 高等工程教育研究，2017（5）：175-180.

[6] 贾海彦，周慧，韩祎祎. 公共管理学科研究生创新能力和科研实践的协同培养研究——基于S省高校的调研实践[J]. 中国高校科技，2020（8）：56-61.

[7] 朱华伟. 知识共享如何影响学术型博士生科研创新能力发展——基于学习投入与科研效能感的链式中介分析[J].中国高教研究，2024（2）：86-93.

[8] 林崇德. 创造性人才·创造性教育·创造性学习[J]. 中国教育学刊，2000（1）：5-8.

[9] 侯锡林，柳森，赵希男. 基于个体优势识别的学术型研究生创新能力评价[J]. 现代教育管理，2018（9）：99-105.

[10] HARRIS G T. Research output in Australian university economics departments： an update for 1984-88[J]. Australian economic papers，1990（55）：249-259.

[11] 柳卸林，邢新主，陈颖. 学术环境对博士后科研创新能力的影响[J]. 科学学研究，2009（1）：66-73.

[12] JOVANOVIC M， CAMPBELL M. Generative artificial intelligence： trends and prospects[J]. Computer，2022（10）：107-112.

[13] KSHETRI N， VOAS J. Adapting to generative artificial intelligence： approaches in higher education institutions[J]. Computer，2024（9）：128-133.

[14] NORDING L. How ChatGPT is transforming the postdoc experience [J]. Nature， 2023，622（7983）：655-657.

[15] 李艳，许洁，贾程媛，等. 大学生生成式人工智能应用现状与思考——基于浙江大学的调查[J]. 开放教育研究，2024（1）：89-98.

[16] YIN H， ZHANG Z P， LIU Y Y. The exploration of integrating the midjourney artificial intelligence generated content tool into design systems to direct designers towards future-oriented innovation [J]. Systems， 2023（12）：566-580.

[17] GAO R. AIGC technology： reshaping the future of the animation industry [J]. Highlights in science， engineering and technology， 2023（56）：148-152.

[18] 马立超， 姚昊. 学术评价如何影响博士后科研创新能力发展——基于42所“双一流”建设高校的实证调查[J]. 湖南师范大学教育科学学报， 2024（2）： 97–108.

[19] YANG X， CAI X L， LI T S. Does the tenure track influence academic research？ An empirical study of faculty members in China[J]. Studies in higher education， 2024 （3）： 476–492.

[20] 王筱纶，赵宇翔，王曰芬. 倾向得分匹配法：促进数据科学视角下情报学研究的因果推断[J]. 情报学报，2020，39（11）：1191-1203.

[21] 胡安宁. 倾向值匹配与因果推论：方法论述评[J]. 社会学研究，2012，27（1）：221-242，246.

[22] KING G， NIELSEN R. Why propensity scores should not be used for matching[J]. Political analysis， 2019（4）：435-454.

[23] 刘玮辰，郭俊华，史冬波. 如何科学评估公共政策？——政策评估中的反事实框架及匹配方法的应用[J]. 公共行政评论，2021（1）： 46-73，219.

[24] HAINMUELLER J. Entropy balancing for causal effects： a multivariate reweighting method to produce balanced samples in observational studies[J]. Political analysis， 2012（1）：25-46.

[25] MATSCHINGER H， HEIDER D， K？魻NIG H-H A. Comparison of matching and weighting methods for causal inference based on routine health insurance data， or： what to do if an RCT is impossible[J]. Das gesundheitswesen， 2020（2）：139-150.

[26] PHILLIPPO D M， DIAS S， ADES A E， et al. Equivalence of entropy balancing and the method of moments for matching-adjusted indirect comparison[J]. Research synthesis methods， 2020（4）：568-572.

[27] 张海峰，梁若冰，林细细. 子女数量对农村家庭经济决策的影响——兼谈对“二孩政策”的启示[J]. 中国经济问题，2019（3）：68-80.

[28] JING S， XIE P， YIN Q， et al. The effect of academic mobility on research performance： the case of China[J]. Scientometrics， 2023，128（10）：5829-5850.

[29] GURANTZ O， TSAI Y Y. The impact of federal administrative burdens on college enrollment[J]. Economics of education review， 2023，97（2）：102461.

[30] FIRPO S， FORTIN N M， LEMIEUX T. Unconditional quantile regressions[J]. Econometrica， 2009 （3）：953-973.

[31] 朱平芳， 张征宇. 无条件分位数回归：文献综述与应用实例[J]. 统计研究，2012（3）：88-96.

[32] YANG S， YANG S， TONG C. In-depth application of artificial intelligence-generated content （AIGC） large model in higher education[J]. Adult and higher education， 2023，51（9）：1-6.

[33] CAPRARO V， LENTSCH A， ACEMOGLU D， et al. The impact of generative artificial intelligence on socioeconomic inequalities and policy making[J]. PNAS nexus， 2024（6）：1-14.

[34] 李运福，王斐. 人工智能时代高等教育“何为”——基于《人工智能：我们现在在哪里》的分析[J]. 电化教育研究，2024（4）：32-38.

[35] 颜世健，喻国明. 智能方法作为“第五范式”：人工智能时代科研范式的“新物种”[J]. 学术探索，2024（1）：34-43.

[36] 张惠彬，许蕾. 生成式人工智能在教育领域的伦理风险与治理路径——基于罗素大学集团的实践考察[J]. 现代教育技术，2024（6）：25-34.

[37] 刘三女牙，郝晓晗. 生成式人工智能助力教育创新的挑战与进路[J]. 清华大学教育研究，2024（3）：1-12.

\"Technology Empowerment\" or \"Tool Dependency\"： A Study on the Impact of Generative Artificial Intelligence on Graduate Students'" Research and Innovation Ability

MA Yinqi1，" HUANG Heng2，" WU Lei2，" HUANG Dan3

（1.College of Education， Zhejiang Normal University， Jinhua Zhejiang 321004

2.Faculty of Education， East China Normal University， Shanghai 200062

3.Office of Humanities and Social Sciences， Zhejiang Normal University， Jinhua Zhejiang 321004）

[Abstract] Generative Artificial Intelligence （GAI） has demonstrated great potential in the field of education and brought new opportunities and challenges for the cultivation of graduate students' research and innovation abilities. Based on the survey data from 1，714 graduate students， the impact of GAI on graduate students' research and innovation abilities was investigated through methods such as Ordinary Least Squares， Negative Binomial Regression， Entropy Balancing Matching， and Unconditional Quantile Regression. It is found that nearly 90% of graduate students have used GAI to assist their research， primarily for language polishing and literature review. The use of GAI has significantly enhanced graduate students' research and innovation abilities ， particularly in innovative thinking， practice ability， and innovation quality. The frequency of GAI use significantly contributes to graduate students' research and" "innovation abilities， and has a significant nonlinear relationship with graduate students'" innovative research outcomes. The impact of using GAI and its frequency on graduate students' research and innovation abilities is significantly heterogeneous among different groups. Therefore， it is necessary to strengthen the guidance of information technology ， improve the breadth and depth of graduate students' use of GAI， advocate for advocate the rational use of GAI and adherence to ethical norms， narrow the digital divide and optimize personalized learning.

[Keywords]" Generative Artificial Intelligence; Graduate Students; Research and Innovation Ability; Technology Empowerment; Tool Dependency; ChatGPT